在GTC 2023 | NVIDIA開發者大會上，點深度學加州伯克利數學與計算機科學的習系教授向我們介紹了關于深度學習系統Colossal-AI的相關內容。

深度學習系統Colossal-AI使用戶能夠以大幅降低成本的點深度學方式最大限度地提高AI訓練和推理的效率。它集成了高效的習系多維并行、異構內存管理、點深度學自適應任務調度等先進技術。習系

Colossal-AI將更好地了解大型模型訓練和推理背后的點深度學并行性和內存優化技術，學習深度學習系統的習系實際應用（包括自然語言處理、計算機視覺、點深度學生物信息學等），習系并能夠為未來的點深度學大型 AI 模型時代做出貢獻。

Colossal-AI系統試圖解決什么問題呢？

主流AI模型大小增長的習系圖表，它顯示了AI模型在短短幾年內增長的點深度學速度,每18個月增長40倍，這超過了摩爾定律在其具盛時期的習系最佳表現。

小型和中型企業（ SMEs ）在盡可能地在采用它們，點深度學Colossal-Al系統在2026年時可以幫你節省的成本的估計訓練175B參數GPT-3模型，利用所有這些硬件特性和變化，估計訓練成本從300降至73000美元，約為41倍。

強調大規模并行是必不可少的，使用單個A 100 GPU訓練具有540B參數的Pal M語言模型的時間和成本，需要300年并且花費920萬美元。

隨著新數據的不斷出現，他們需要反復的新訓練以避免像2019年的GPT-2一樣無法識別COVID-19等概念。

訓練完成之后，僅使用模型進行推理也是項挑戰，因為模型的大小需要并行技術，單個服務器的內存可能無法容納大模型。除了設備成本之外，還有人力成本支付需要解決所有這些問題的專家團隊，這就限制了一些公司特別是無法承受這些團隊的中小企業使用這些大型模型。

因此Colossal-AI的作用出現了：

對特定底層硬件架構進行優化，左側（硬件層）可以是CPU、 GPU、TPU或FPGAl，右側是你的用于AI模型編寫的框架，如TensorFlow、 Py Torch或其他框架。Colossal-AI可以高效地將大模型部署到目標架構，實現底部顯示的所有目標，最小化運行時間，最小化通信（移動數據）在當前架構是最昂貴的操作，最小化用戶需要改動代碼的數量，即重構。使模型能夠動態地適應機器的規模變化，并減少內存占用，一邊能運行大模型。

Colossal-AI提供了三個層次：

高效的內存系統，可最大程度利用可用內存。

多維并行，即如何最好地將復雜的模型映射到可用的硬件上，以最大程度地使并行處理并最小化通信。

大規模優化，也就是如何自動調整影響準確度收斂的眾多超參數，因為這些值通常取決子如何進行并行處理。

因此Colossal-AI的目標是將復雜且相互作用的決策從用戶角度隱藏起來，并自動完成所有操作。

編輯：黃飛